От пакет сканирания към текст: OCR, после Compress на PDF, който още пазите
Пакетът сканирания изисква две стъпки: OCR в PDF123 връща Markdown, а Compress свива оригиналния PDF чрез прекомпресия на потоци. Редът и резултатите се различават.

„Пакет сканирания“ обикновено е куп изображения на страници, събрани в един PDF: тежък на диска, празен за търсене и копиране. Два инструмента, които хората свързват един след друг, не произвеждат един вълшебен PDF с търсене на този сайт. OCR връща Markdown. Compress пренаписва PDF, който още пазите.
Това разделение е целият работен процес.
Какво всъщност ви дава OCR тук
POST /api/v1/misc/ocr-pdf изпълнява разпознаване и изтегля .md файл (text/markdown): собствения текст от PDF, слят с OCR от страниците с изображения. Той не записва скрит текстов слой обратно в PDF. Ако сте очаквали маркиране и търсене в същия файл, това е друга форма на продукта (класически изход в стил OCRmyPDF). Тази крайна точка е за текст, който агент или поток може да прочете.
Auto срещу Force OCR:
- Всяка стойност освен
ocrType=force-ocr(включително етикетът „Normal“ в портала) съответства на Auto: използва съществуващия текст, където има такъв; прави OCR на страниците само с изображения. force-ocrпречита всяка страница, включително страниците, които вече имат текстов слой.
Във формуляра на портала няма избор на език. Остатъчните полета в стил tessdata от по-стари пътища (languages, deskew, флагове за почистване и подобни) се пренебрегват от Rust пътя ocr_pdf. Auto срещу Force и защо разпознаването се проваля при лоши сканирания са разгледани в Как OCR чете сканиран PDF.
OCR не свива PDF. Изтегленият Markdown е втори артефакт до първоначалния пакет сканирания.
Къде се вписва Compress
Compress (POST /api/v1/misc/compress-pdf) изпълнява компресия на потоци с qpdf: --compress-streams=y, Flate прекомпресия и генерирани обектни потоци. Той не създава текстов слой, не прави подмножество на шрифтове и не обещава фотографско намаляване на разделителната способност. При файл с много сканирания той все още може да свие заеманото място, като сбие потоците по-плътно; при вече оптимален файл печалбата може да е малка. Фон за лостовете при потоците срещу изображенията: Какво реално се случва, когато компресирате PDF.
Използвайте Compress върху PDF, който ще архивирате или изпращате по имейл. Използвайте изхода от OCR като Markdown, когато ви трябват думите. Компресията първо не прави OCR по-точен; OCR първо не прави PDF по-малък.
Практичен ред
- Ако програмата за преглед не отваря пакета, първо Repair или Get Info.
- Направете OCR на пакета сканирания към Markdown и проверете на случаен принцип няколко страници текст.
- Отделно компресирайте копие на PDF, ако размерът е останалият проблем.
- Пазете недокоснатия оригинал, когато политиката го изисква.
Шифроването на файл все още се нуждае от разрешено Unlock преди всяка от двете стъпки. Тайните се нуждаят от Sanitize / Auto Redact, а не от OCR. Експорт на таблица, който връща 204 след сканиране, означава, че не са намерени текстови колони: първо OCR към Markdown, после преценете дали инструмент за електронни таблици изобщо е приложим (Празен експорт на таблица (204)).
Резултати, които трябва да следите
След типично изпълнение може да държите три артефакта: първоначалния пакет сканирания, изтегления от OCR .md файл и (по избор) компресирано копие на PDF. Обозначавайте ги. Да изпратите само Markdown значи да загубите изображенията на страниците; да изпратите само компресирания PDF значи да няма слой за маркиране и търсене от този OCR път. Потоците, на които трябват и думите, и по-малък PDF, трябва да пазят и двата изхода или по-късно да повторят едната страна.
Force OCR върху цифрово създаден пакет с повреден текстов слой все още може да е полезен; Auto върху чист цифрово създаден пакет може да пропусне изцяло средата за OCR. Нито един от двата режима не записва текст обратно в PDF.
Какво не е този работен процес
Пакетите сканирания се провалят, когато екипите приемат, че един бутон едновременно извлича текст и свива пикселите като настолен процес с OCRmyPDF. Тук текстът излиза като Markdown; PDF остава PDF, освен ако нарочно не го компресирате. Няма стъпка на този сайт, която от едно извикване да върне „същия PDF, сега с търсене и по-малък“.
За автоматизация по HTTP на същите операции вижте Developers.